論文の概要: Deep Feature based Cross-slide Registration
- arxiv url: http://arxiv.org/abs/2202.09971v2
- Date: Tue, 22 Feb 2022 22:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 08:40:54.237029
- Title: Deep Feature based Cross-slide Registration
- Title（参考訳）: 深い特徴に基づくクロススライダー登録
- Authors: Ruqayya Awan, Shan E Ahmed Raza, Johannes Lotz and Nasir M. Rajpoot
- Abstract要約: クロススライダー画像解析は、単一スライド解析と比較して異なるバイオマーカーの表現を分析することで追加情報を提供する。
本稿では,データ駆動型特徴量を利用して剛性変換を推定するDFBR法を提案する。
- 参考スコア（独自算出の注目度）: 13.271717388861557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-slide image analysis provides additional information by analysing the
expression of different biomarkers as compared to a single slide analysis.
Slides stained with different biomarkers are analysed side by side which may
reveal unknown relations between the different biomarkers. During the slide
preparation, a tissue section may be placed at an arbitrary orientation as
compared to other sections of the same tissue block. The problem is compounded
by the fact that tissue contents are likely to change from one section to the
next and there may be unique artefacts on some of the slides. This makes
registration of each section to a reference section of the same tissue block an
important pre-requisite task before any cross-slide analysis. We propose a deep
feature based registration (DFBR) method which utilises data-driven features to
estimate the rigid transformation. We adopted a multi-stage strategy for
improving the quality of registration. We also developed a visualisation tool
to view registered pairs of WSIs at different magnifications. With the help of
this tool, one can apply a transformation on the fly without the need to
generate transformed source WSI in a pyramidal form. We compared the
performance of data-driven features with that of hand-crafted features on the
COMET dataset. Our approach can align the images with low registration errors.
Generally, the success of non-rigid registration is dependent on the quality of
rigid registration. To evaluate the efficacy of the DFBR method, the first two
steps of the ANHIR winner's framework are replaced with our DFBR to register
challenge provided image pairs. The modified framework produce comparable
results to that of challenge winning team.
- Abstract（参考訳）: クロススライダー画像解析は、単一スライド解析と比較して異なるバイオマーカーの発現を分析することで追加情報を提供する。
異なるバイオマーカーで染色されたスライドを並べて分析し、異なるバイオマーカー間の未知の関係を明らかにする。
スライド調製時には、同じ組織ブロックの他の部分と比較して、組織部を任意の方向に配置することができる。
この問題は、組織の内容があるセクションから次のセクションへと変化する可能性があり、いくつかのスライドにユニークなアーティファクトが存在するという事実によって複雑化されている。
これにより、クロススライド分析の前に、同じ組織の参照部への各セクションの登録が重要な前提条件タスクとなる。
本稿では,データ駆動型特徴量を利用して剛性変換を推定するDFBR法を提案する。
我々は登録の質を向上させるための多段階戦略を採用した。
また,異なる倍率で登録されたwsisペアを見るための可視化ツールを開発した。
このツールの助けを借りて、ピラミッド形式で変換されたソースwsiを生成する必要なしに、オンザフライで変換を適用できる。
COMETデータセットにおける手作り機能とデータ駆動機能の性能を比較した。
当社のアプローチでは,画像の登録エラーを低減できる。
一般に、非厳密登録の成功は厳密登録の品質に依存する。
DFBR法の有効性を評価するため,ANHIR勝者のフレームワークの最初の2ステップをDFBRに置き換えて,提案した画像ペアを登録する。
修正されたフレームワークは、チャレンジ優勝チームと同等の結果を生み出します。
関連論文リスト
- Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images [2.953447779233234]
We developed a software pipeline for quality control (QC) of histopathology whole slide images (WSIs)。
異なるレベルのぼかし、組織領域、組織折り、ペンマークなど、さまざまな領域を区分する。
TCGAは、28の臓器から11,000以上の病理像を含むWSIデータセットとして最大である。
論文 参考訳（メタデータ） (2024-10-04T10:03:04Z) - RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。
i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。
提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
論文 参考訳（メタデータ） (2024-04-19T16:19:30Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。
合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
論文 参考訳（メタデータ） (2023-07-01T06:13:10Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - Automatic Multi-Stain Registration of Whole Slide Images in
Histopathology [0.0]
単一セルの精度で巨大なギガピクセルの全体スライド画像(WSI)を自動で高速かつ断続的にアライメントするのは難しい。
本稿では,微小な転移リンパ節の局在化を支援するために,2段階の自動機能ベースのクロスステインアライメントを提案する。
論文 参考訳（メタデータ） (2021-07-29T19:38:30Z) - CryoNuSeg: A Dataset for Nuclei Instance Segmentation of Cryosectioned
H&E-Stained Histological Images [2.809445852388983]
完全アノテートされたfs由来のcryosectionedおよびh&e-stained nuclear instance segmentationデータセットであるcryonusegを紹介する。
データセットには、他の公開データセットでは利用されなかった10のヒト臓器の画像が含まれている。
論文 参考訳（メタデータ） (2021-01-02T12:34:06Z) - Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。
この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。
本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
論文 参考訳（メタデータ） (2020-10-12T13:26:30Z) - Instance-Aware Graph Convolutional Network for Multi-Label
Classification [55.131166957803345]
グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。
マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-19T12:49:28Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。